有了这样的图之后,举一个例子,先看上面,这是一个图我们暂且分为Entity是人和内容部分,人有各种各样的用户,它有各种各样的品质。内容之间是跟MIT开发的项目,它是和人有关系,人和数据和内容又有关系,通过这三者构成的图谱。人这边有人的图谱,有时候我们称之为 Social Network,内容之间有内容图谱,然后有知识图谱,知识投影在人身上是认知图谱,把这两个结合到人的画像。我们得出一个非常重要的结论,用人的画像刻画教育,人受教育的过程等价于人的画像是被不断更新的过程,这是我们的认识。每个人的画像有个性化的差异,有个性化的终点,因为有不同的追求。我想去做计算机,我想做工程师,这是不同的目标。画像与画像之间的过程是受教育的过程,在这个过程中要有作用,它被教育作用了,作用之后一定要被测量,你怎么能知道扔给他这个东西之后是好还是坏?所以有测量之后要有反馈去迭代。像刚才说的自适应是一样的道理,只不过用这套语言呈现出来,动态更新的过程就是教育的过程。我们通过画像的更新定义了教育之后,怎么定义好的教育?基于起点和终点的个性化差异,帮助更有效率的画像,这就是好的教育。
怎么做这个事情?因为我们现在有留学的经验,有很多这样的业务经验,所以我们可以找专家系统进行推荐。马上问题就出来了,你怎么保证这个事情是 OK 的?你推荐的准确与否?我们的核心不是测评场景,核心是个人画像,给了这样东西之后,我们现在部署这件事情,我们希望跟用户实时反馈。你做的这个事情,到底离你的学校近了多少,这个东西可以基于个人画像功能进行实时反馈。最后,你达到的目标是很久以后了,但没有关系,你一旦达到那个目标之后,就可以完全看我们的整个推荐系统算法模型是不是 OK,进行自己进化的改变。我们想把这个做法推广到其他的场景,包括升学场景包括学业场景,在做各种各样的场景铺设。
人机混合智能引擎是多平台、多周期会话,这是很重要的发展趋势。第一个是标准化需求智能解决方案,机器前端、人工后端支持。因为我们是做学生学业发展规划的公司,我们帮他做学业规划。我们希望通过这一套系统标准化的需求,以及标准化的学业状态,告诉用户可能做什么样的事情。当这个机器不能满足需求时,人就可以进去,从此机器在前端人在后端。我们可以做 To B 的合作,刚才有人说培训界的咨询师非常缺乏,缺乏的背后是缺乏经验,哪有那么多时间培养他呢?你能做到人在后面,后面有机器支持你的规划。因为我们是做学业规划的,这个有可能实现。还是以留学咨询为例,一个留学咨询师其实你根本不知道这样的状态适合读什么样的东西?你可能说很适合去哈佛,但是没有理由去支持,有了后面的机器就有理由支持他,这个支持并不是把结论告诉他,而是有一套的资源,你为什么这样做?这就是人在前,机器在后,这就构成了 C 端的核心点,以人的画像作为主核心,贯穿所有的产品功能。
我们的 PGC 数据库有学校、专业、课程、校园机会等等的数据库,像校园机会还是比较少,我觉得做数据方面的东西一定有很多的文章可做。我们花了差不多两年的时间整理这些数据,而且很好的更新这些数据。校园机会包括讲座、论坛、讲学机会、论赛,只要对学业有帮助的都可以拿出来。
另外,做学业规划,研究用画像,需要一把尺子,这个尺子不是谁都可以用的,不是谁都可以支持的,如果用的话就要实现 To B 的突破,让大 B 去做背书,我们做了这样的尝试,这个是 To B 的品牌,一定要准备好一些策略,才能打胜仗。
我们 To B 有三个概念,第一个是高等教育、科研机构的学术组织,第二个是企业机构,第三个是公共事业,政府、教育研究机构及公益组织。我们对他们是技术与数据驱动的互联网方案提供商,以及践行教育研究的群求智库。我们作为创业公司对于学术层级、政府层级有自己的独特优势,这些不是所有的创业团队可以复制的。我们在全国真的有智库,我们研究高等教育会自上而下打一些东西,我们会发一些报告,会发其他国家怎么样,他们的评价是怎么回事,他们的机制是怎么回事,会有这样的报告。我们有全球战略的研究报告。我们发的美国、欧洲多一些,澳洲、南亚也有一些。